基于贝叶斯改进结构算法的回转窑故障诊断模型研究

针对现有改进互信息爬山(MI&HC)算法精度低、耗时长及简化爬山(SHC)算法产生大量冗余边的问题,提出一种新的结构学习算法,即改进爬山(IHC)算法。通过计算互信息链得到贝叶斯初始结构,利用条件独立性测试以及对孤立节点进行处理来加边补充贝叶斯初始结构得到完全结构,利用改进的爬山搜索算子对完全结构进行搜索直到得出最优结构。将该算法与爬山(HC)算法、MI&HC算法、SHC算法进行比较,仿真结果表明,IHC算法能够得到较高准确率的模型,时间开销最小而且产生的冗余边数远远少于SHC算法产生的冗余边数。最后基于IHC算法,结合某回转窑数据进行训练,得到了回转窑工艺参数的故障诊断模型,对回转窑的烧成带温度实现了较为准确的故障诊断。     

基于Bayesian改进算法的回转窑故障诊断模型研究

贝叶斯网络是数据挖掘最有效和可靠的方法之一,而贝叶斯网络结构学习是贝叶斯网络研究的关键环节。针对现有经典结构学习算法——爬山算法易陷入局部最优、效率低的问题,通过计算互信息建立最大支撑树,并将最大支撑树与简化爬山算法相结合,提出了一种新的贝叶斯网络结构学习改进算法。通过与经典的爬山法和K2算法进行比较,结果表明该改进算法不仅能够得到较高准确率的模型,而且能够提高模型建立的效率。最后基于该改进算法,结合冀东水泥集团的水泥回转窑现场运行数据,建立了水泥回转窑故障诊断模型,实现了精确快速的故障诊断。     

基于AFPN的汽车故障诊断研究

针对汽车故障诊断专家系统的知识具有动态性和不确定性的特点.提出了一种基于自适应模糊Petri网（AFPN）的汽车故障诊断方法。该方法首先根据模糊产生式规则建立相应的模糊Petri网模型,然后利用BP算法,通过样本数据对模糊Petri网中的权值等进行反复的学习训练,最后利用训练得到的参数和故障征兆发生概率对故障进行诊断。这种方法使知识库能动态更新,并可以避免依靠人工经验设置带来的不确定性。诊断结果表明,和传统故障树方法相比,该方法具有很多优点。     

正交迭代局部Fisher判别转子故障诊断

通过局部加权邻接矩阵重新定义类内散度和类间散度,建立局部Fisher判别函数,在特征值求解过程中以正交迭代方式找出最优投影向量,得到故障诊断模型。该方法能保证数据降维过程中的重构误差最小,并可直接运用故障诊断模型识别增量数据,避免了一般流形学习模式识别时对动态增量数据需要重建模型的问题。转子故障诊断试验表明,对于多传感器振动特征融合信号,相对其他流形学习算法,正交局部Fisher判别(orthogonl locally Fisher discriminant,简称OLFD)的故障诊断效果最好。     

多策略改进麻雀算法与 BiLSTM 的变压器故障诊断研究

针对变压器故障诊断精度低的问题,提出了一种多策略改进麻雀算法(MISSA)与双向长短时记忆网络(BiLSTM)的变压器故障诊断模型。基于油中溶解气体分析(DGA)技术,结合无编码比值方法提取变压器9维故障特征作为模型输入进行网络训练,输出层采用Softmax函数得到故障诊断类型;采用Logistic混沌映射、均匀分布的动态自适应权重以及动态拉普拉斯算子来对麻雀搜索算法(SSA)进行改进;在初始解集内,利用MISSA对目标超参数进行寻优,使变压器故障诊断精度最优,并结合核主成分分析(KPCA)对故障特征指标降维,加快模型收敛速度。结果表明,提出的模型诊断精度为94%与PSO-BiLSTM、GWO-BiLSTM和SSA-BiLSTM故障诊断模型相比,分别提高了11.33%、8.67%、6%,验证了本文方法能够有效地提高变压器的故障诊断性能。     

齿轮箱复合故障信号的非线性盲源分离算法研究

针对齿轮箱复合故障分析问题,文中提出一种新型非线性盲源分离（Nonlinear Blind Source Separation, NBSS）算法。该算法先利用反向传播（Back Propagation, BP）神经网络逼近非线性混合模型的逆,并对经过BP 神经网络处理后的信号进行独立成分分析（Independent Component Analysis, ICA）;然后以独立成分分析后的信号的负熵作为适应度函数,采用遗传算法对BP神经网络的参数进行寻优;最后利用优化的BP神经网络参数,对观测到的混合信号进行分解,分离出纯净的振源信号。与采用粒子群优化（Particle Swarm Optimization, PSO）算法的核独立成分分析（Kernel ICA, KICA）相比,该方法提取的分离信号具有更高的精度,为齿轮箱复合故障诊断提供了关键技术与有效方法。     

基于支持向量机的汽车液压离合器的故障诊断

为了能够提高汽车液压离合器的故障诊断效率和精度,利用自适应模糊支持向量机邻近增量算法在汽车液压离合器故障诊断中应用进行了研究。分析了汽车液压离合器的常见故障;建立了基于模糊支持向量机的故障诊断模型;研究了邻近增量算法的基本原理;最后,经过仿真分析,验证了该算法的有效性,表明该故障诊断方法具有较高的鲁棒性。     

基于DGA和HMM的小样本变压器故障诊断算法

针对基于油中溶解气体分析(DGA)的变压器故障诊断方法需要大量训练样本,而实际应用中缺乏样本的问题,提出在小样本情况下一种应用基于DGA和隐马尔科夫模型(HMM)的变压器故障诊断算法。该算法利用DGA提取变压器的故障特征,使用HMM作为变压器故障诊断分类器,并对HMM模型的训练算法进行改进,引入比例因子和多观测序列。试验结果表明：使用公开数据集IEC TC 10作为变压器故障数据集,将本算法与常用于小样本情况的SVM、决策树算法相比较,本算法的变压器故障诊断正确率更高。     

不同负载下滚动轴承的PSO-SSTCA算法研究

针对不同负载下滚动轴承故障诊断准确率不高和样本稀缺的问题，本文提出了一种基于粒子群优化的半监督迁移学习（PSO-SSTCA）算法。在迁移学习算法的基础上，引入希尔伯特-施密特独立性系数（HSIC）增强迁移学习过程中不同数据标签的依赖性，加入粒子群优化算法自适应寻找多核函数的最优系数，缩小数据集的类内间距，并利用K-近邻算法进行不同负载间滚动轴承的故障诊断。对4种不同负载工况下的滚动轴承振动信号进行分析，结果表明：在单-单、多-单负载工况下，PSO-SSTCA算法的平均准确率分别为85.92%与88%，与重构信号相比分别提高了10.75%与19.42%。该方法有效地为机械设备的状态监测与故障诊断提供了技术支撑。     

旋转机械故障诊断增量式属性约减新方法

粗糙集理论是旋转机械属性约减的常用工具,但无法有效用于样本逐渐增多的情况。针对增量式属性约减问题,提出了基于二进制分辨矩阵的属性约减算法。将新增对象分为四种类型,分别介绍了相应分辨矩阵的更新情况,从而得到相应的约减结果。该算法对于增量不需要重复计算整个分辨矩阵。通过和其他算法比较可知该算法可以快速得到约减结果,并具有较小的空间复杂度。最后,利用实际滚动轴承数据进行故障诊断实验,验证了所提算法的正确性。     

Improved RBF network application in analog circuit fault isolation

One kind of steepest descent incremental projection learning algorithm for improving the training of radial basis function (RBF) neural network is proposed,which is applied to analog circuit fault isol...     

量子BP神经网络在发动机故障诊断中的应用

为了解决普通BP神经网络收敛速度慢、分类正确率低等问题,提出一种量子BP神经网络算法。该算法在普通BP神经网络中引入了量子算法,量子BP神经网络结构由输入层、隐含层和输出层组成,其中,量子神经元的输入和传递函数均由量子比特表示,输出结果为实数。首先,该算法将实数值训练样本变换为量子态训练样本,从而作为算法的输入。然后,通过传递函数,计算量子态权值并更新网络参数以达到训练效果。最后,利用训练好的网络进行故障诊断,并将结果以实数值输出。将该方法应用于发动机故障诊断,实验结果表明,与普通BP神经网络相比,量子BP神经网络算法在收敛速度、分类正确率和执行时间等方面具有明显的优势。     

基于shapelets时间序列的多源迁移学习滚动轴承故障诊断方法

针对滚动轴承故障诊断在工程实际中故障数据稀缺的问题,提出一种基于shapelets时间序列的多源迁移学习滚动轴承故障诊断方法。首先利用典型故障信息丰富、标记样本充足的滚动轴承数据构建多源域数据集,使用不同源域的数据对源域特征提取器与分类器进行预训练;然后利用基于动态时间规整的shapelets学习算法提取源域与目标域的shapelets作为判别结构,通过度量判别结构优化源域数据,对源域网络进行微调以得到诊断模型;最后根据每个源域与目标域的shapelets之间的差异,利用自适应域权重对各分类器的结果进行聚合得出诊断结果。实验结果表明,该方法在小样本与强噪声的情况下具有较高的故障诊断准确率。     

基于径向基函数神经网络的柴油机故障诊断

提出一种应用径向基函数(RBF)神经网络解决故障诊断问题的方法,并将其应用于柴油机故障诊断与识别。在RBF神经网络中采用了一种减聚类的学习算法来确定径向基函数的相应参数,从而使神经网络结构得到优化。实例仿真结果表明,RBF神经网络学习收敛较快,对故障识别性能好。     

智能登山搜索算法规律的研究

智能登山法是一种新型的运动学逆解求取方法.使用时参数 d ,r 的选择对算法的性能影响很大.通过对一个数的搜索,用统计学的方法深入探讨,获得了智能登山法在使用过程中参数选择所具有的一般规律;该数值规律的使用,使得算法参数的选择合理,算法收敛速度加快,搜索次数可控,实用性增强.通过实例验证了数值规律的可行性.     

基于复杂网络聚类的提升机主轴系统故障诊断

针对摩擦提升机主轴系统故障耦合、特征微弱且故障样本不易获得的问题,提出一种基于复杂网络聚类的故障诊断方法。该方法从故障数据表现出社团结构的本质出发,以各数据样本为节点,样本间相似度为有权边,构建加权无向复杂网络模型。将欧氏空间的距离概念推广到样本的相似性度量上提出广义Ward距离,并以此为划分准则,采用凝聚型合并过程实现网络模型中社团的聚类,即故障样本的模式识别。对主轴系统过载、滚动轴承元件故障及减速器齿轮磨损的分析结果表明,该方法能准确对已知故障类型数据进行聚类,且在过程中不预设类别数,为收集异常数据以便未知故障的发现与诊断提供了数据支持。与多元支持向量机与快速Newman算法的对比结果表明,该方法具有更高的识别精度与效率。     

基于行为的故障诊断系统跟踪自学习算法研究

针对现有绝大多数智能故障诊断系统自适应跟踪设备行为变化能力的不足，对基于行为的智能化故障诊断系统中模糊基函数网络的在线跟踪自学习算法进行了研究，提出了一种在线跟踪故障分类边界的自学习算法。该算法通过带有遗忘因子的样本均值和样本协方差矩阵保存样本所包含的故障可能性分布信息，并在此基础上产生新增样本的目标输出，用于训练FBF网络，以实现故障分类边界的在线跟踪。给出了带有遗忘因子的样本均值和样本协方差矩阵的递推算法，用以克服传统方法需要保存大量以往故障训练样本所带来的困难。理论研究和工程应用表明，在线跟踪故障分类边界的自学习算法可以有效地避免神经网络训练过程中的“突然遗忘”现象，是可行的。